databrickslabs/ontobricks

它解决的问题

企业在 Databricks 表中拥有大量数据，但这些数据背后的含义——比如“客户持有合同”这样的关系或业务规则——通常只存在于人们的头脑中。OntoBricks 将这些表转化为一个捕获含义的知识图谱，使其可以被探索、推理，并暴露给 AI 代理。它消除了对单独图数据库、RDF 专业知识或长期集成项目的需求。

工作原理

OntoBricks 作为 Databricks 应用运行，并使用您已有的服务：Unity Catalog 用于元数据，SQL Warehouse 用于执行，AI Gateway 或 Model Serving 用于 LLM 调用。您需要经历四个主要步骤：1) 从 Unity Catalog 导入元数据，2) 生成本体——LLM 从您的元数据中建议实体、关系和属性，3) 自动映射——LLM 为每个实体和关系编写 SQL 映射，4) 同步——运行映射以填充三元组存储。在底层，它使用 OWL、R2RML 和 SPARQL 等标准，但您无需了解它们。您还可以使用可视化画布手动设计本体，并且有“无 LLM”模式用于严格选择退出。图谱可以构建在 Lakebase (Postgres)、Lakehouse (Delta 表)、Neo4j 上，或者根本没有后端。每个领域都有 DRAFT/IN-REVIEW/PUBLISHED 生命周期，带有锁定和审计跟踪。您可以通过模型上下文协议 (MCP) 将本体发布到 LLM 代理，并通过 GraphQL 或 SPARQL 查询图谱。

适用对象

使用 Databricks 的数据工程师、数据架构师和分析团队，他们希望为数据带来语义含义。它也适用于任何希望将受治理、可解释的业务逻辑暴露给 AI 代理或 LLM 应用程序的人。您不需要深入的本体或 RDF 技能，因为 AI 处理了大部分繁重的工作，但如果您希望完全控制，也可以手动操作。

亮点

• 通过 LLM 自动化，只需四次点击即可将 Databricks 表转化为知识图谱。
• 使用开放标准 (OWL, R2RML, SHACL, SPARQL) 但隐藏了复杂性。
• 多种图后端：Lakebase (默认)、Lakehouse、Neo4j，或仅本体无后端。
• 通过 MCP 将任何领域发布到 AI 代理 (例如 Cursor, Claude Desktop)。
• 治理功能：版本控制、生命周期状态、单编辑器锁定、仅追加审计跟踪。
• 包括本体陷阱检测、SHACL 数据质量检查、SWRL 业务规则和队列发现。
• 完全在您的 Databricks 工作区内运行——数据和三元组永远不会离开。